論文の概要: Sources of Uncertainty in Machine Learning -- A Statisticians' View
- arxiv url: http://arxiv.org/abs/2305.16703v1
- Date: Fri, 26 May 2023 07:44:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 16:19:16.933341
- Title: Sources of Uncertainty in Machine Learning -- A Statisticians' View
- Title（参考訳）: 機械学習における不確かさの源泉-統計学者の視点から
- Authors: Cornelia Gruber, Patrick Oliver Schenk, Malte Schierholz, Frauke
Kreuter, G\"oran Kauermann
- Abstract要約: 本論文は,機械学習に関連する2種類の不確実性について定式化することを目的とする。
機械学習における統計的概念と不確実性の間の類似性を引き合いに出し、データの役割とその不確実性への影響を実証する。
- 参考スコア（独自算出の注目度）: 3.1498833540989413
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine Learning and Deep Learning have achieved an impressive standard
today, enabling us to answer questions that were inconceivable a few years ago.
Besides these successes, it becomes clear, that beyond pure prediction, which
is the primary strength of most supervised machine learning algorithms, the
quantification of uncertainty is relevant and necessary as well. While first
concepts and ideas in this direction have emerged in recent years, this paper
adopts a conceptual perspective and examines possible sources of uncertainty.
By adopting the viewpoint of a statistician, we discuss the concepts of
aleatoric and epistemic uncertainty, which are more commonly associated with
machine learning. The paper aims to formalize the two types of uncertainty and
demonstrates that sources of uncertainty are miscellaneous and can not always
be decomposed into aleatoric and epistemic. Drawing parallels between
statistical concepts and uncertainty in machine learning, we also demonstrate
the role of data and their influence on uncertainty.
- Abstract（参考訳）: 機械学習とディープラーニングは今日、印象的な標準を達成し、数年前には理解できなかった質問に答えることができます。
これらの成功に加えて、多くの教師付き機械学習アルゴリズムの主要な強みである純粋な予測以外にも、不確実性の定量化が重要かつ必要であることが明らかになった。
この方向の最初の概念やアイデアは近年出現しているが、本稿では概念的な視点を採用し、不確実性の原因を考察する。
統計学者の視点を取り入れ、より機械学習に共通するアレテータ的・認識的不確実性の概念について論じる。
本論文は,2種類の不確実性の形式化を目標とし,不確実性の源は不均一であり,必ずしも動脈硬化とてんかんに分解できないことを示す。
また,機械学習における統計的概念と不確実性との類似性を示し,データの役割と不確実性への影響を実証する。
関連論文リスト
- Uncertainties of Latent Representations in Computer Vision [2.33877878310217]
この論文は、事前訓練されたコンピュータビジョンモデルの潜在表現ベクトルにそれらを追加することで、不確実性推定を容易にアクセスできるようにする。
観測不可能な潜在表現に関するこれらの観測不可能な不確実性は、確実に正しいことを示す。
論文 参考訳（メタデータ） (2024-08-26T14:02:30Z) - One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。
幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
論文 参考訳（メタデータ） (2023-12-16T14:59:11Z) - Evidential Deep Learning: Enhancing Predictive Uncertainty Estimation
for Earth System Science Applications [0.32302664881848275]
エビデンシャル・ディープ・ラーニング(Evidential Deep Learning)は、パラメトリック・ディープ・ラーニングを高次分布に拡張する手法である。
本研究では,明らかなニューラルネットワークから得られる不確実性とアンサンブルから得られる不確実性を比較する。
本研究では,従来の手法に匹敵する予測精度を実現するとともに,両方の不確実性源をしっかりと定量化しながら,明らかな深層学習モデルを示す。
論文 参考訳（メタデータ） (2023-09-22T23:04:51Z) - Uncertainty in Natural Language Processing: Sources, Quantification, and
Applications [56.130945359053776]
NLP分野における不確実性関連作業の総合的なレビューを行う。
まず、自然言語の不確実性の原因を、入力、システム、出力の3つのタイプに分類する。
我々は,NLPにおける不確実性推定の課題について論じ,今後の方向性について論じる。
論文 参考訳（メタデータ） (2023-06-05T06:46:53Z) - On Second-Order Scoring Rules for Epistemic Uncertainty Quantification [8.298716599039501]
本研究では,2次学習者が不確実性を忠実に表現する動機となる損失関数が存在しないことを示す。
この結果を証明するための主要な数学的ツールとして,2次スコアリングルールの一般化概念を導入する。
論文 参考訳（メタデータ） (2023-01-30T08:59:45Z) - The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。
我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
論文 参考訳（メタデータ） (2022-05-20T10:10:32Z) - Teaching Uncertainty Quantification in Machine Learning through Use
Cases [0.0]
機械学習における不確実性は、一般的に機械学習コースのカリキュラムで一般的な知識として教えられるものではない。
本稿では,機械学習における不確実性に関するコースの短いカリキュラムを提案し,そのコースをユースケースの選択で補完する。
論文 参考訳（メタデータ） (2021-08-19T14:22:17Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳（メタデータ） (2021-07-28T10:28:05Z) - DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。
一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文 参考訳（メタデータ） (2021-02-16T23:50:35Z) - Uncertainty as a Form of Transparency: Measuring, Communicating, and
Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。
モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。
この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文 参考訳（メタデータ） (2020-11-15T17:26:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。